Analisi bibliometrica - I docenti del DMIF
Introduzione
Che cosa è la bibliometria?
La bibliometria è una disciplina che utilizza analisi quantitative e statistiche per analizzare le pubblicazioni scientifiche e le loro relazioni.
Il progetto si focalizza sull’analisi della produzione scientifica dei docenti del dipartimento DMIF dell’Università degli Studi di Udine, per cercare di dare una stima di:
come collaborano gli autori
quali sono i settori di maggiore interesse
gli autori più prolifici.
Per supporto all’analisi è stata utilizzata una libreria, Bibliometrix (Aria and Cuccurullo 2017), sviluppata da due docenti dell’Università di Napoli.
Fonte dei dati
I dati analizzati in questo progetto sono stati scaricati (ultimo download: 15/07/2024) da Scopus, uno dei principali dabatase bibliografici. E’ stata selezionata la sotto area “computer science” e successivamente sono stati selezionati 31 autori del DMIF, tra docenti e dottorandi.
Ogni articolo del dataframe contiene svariati attributi tra cui: la lista di autori, il titolo del documento, la sorgente di pubblicazione, il tipo di documento, le parole chiavi degli autori, le references, il numero di citazioni e l’anno di pubblicazione.
Analisi bibliometrica
Analisi descrittiva del dataframe
La tabella delle informazioni principali descrive le dimensioni della raccolta in termini di numero di documenti, numero di autori, numero di fonti, numero di parole chiave, durata e numero medio di citazioni.
“docs per autori” è calcolato come rapporto tra il numero totale di autori e il numero totale di articoli.
“co-autori per articolo” è calcolato come numero medio di co-autori per articolo.
MAIN INFORMATION ABOUT DATA
Timespan 1987 : 2024
Sources (Journals, Books, etc) 394
Documents 1279
Annual Growth Rate % 10.17
Document Average Age 10.7
Average citations per doc 13.94
Average citations per year per doc 1.25
References 29749
DOCUMENT CONTENTS
Keywords Plus (ID) 6360
Author's Keywords (DE) 2017
AUTHORS
Authors 1027
Author Appearances 4349
Authors of single-authored docs 17
AUTHORS COLLABORATION
Single-authored docs 77
Documents per Author 1.25
Co-Authors per Doc 3.4
International co-authorships % 32.53
Annual Scientific Production
Year Articles
1987 1
1988 1
1989 1
1990 1
1991 3
1993 4
1994 5
1995 12
1996 7
1997 10
1998 11
1999 9
2000 15
2001 17
2002 25
2003 23
2004 44
2005 29
2006 35
2007 49
2008 54
2009 60
2010 46
2011 44
2012 40
2013 32
2014 50
2015 58
2016 55
2017 60
2018 85
2019 59
2020 73
2021 62
2022 76
2023 87
2024 36
Annual Percentage Growth Rate 10.17
Most Productive Authors
Authors Articles Authors Articles Fractionalized
1 MONTANARI A 200 CHITTARO L 78.6
2 CHITTARO L 164 MONTANARI A 58.6
3 MIZZARO S 131 MIZZARO S 41.1
4 DOVIER A 119 POLICRITI A 40.3
5 POLICRITI A 111 DOVIER A 40.0
6 MICULAN M 84 MICULAN M 37.9
7 PIAZZA C 84 PIAZZA C 27.4
8 FORESTI GL 59 LANCIA G 26.1
9 PICIARELLI C 59 FRANCESCHET M 22.3
10 FONTANA F 57 BRAJNIK G 21.2
Top manuscripts per citations
Paper DOI TC TCperYear NTC
1 CORNIA M, 2018, IEEE TRANS IMAGE PROCESS 10.1109/TIP.2018.2851672 410 58.57 26.48
2 BUTTUSSI F, 2018, IEEE TRANS VISUAL COMPUT GRAPHICS 10.1109/TVCG.2017.2653117 309 44.14 19.96
3 CHITTARO L, 2007, COMPUT EDUC 10.1016/j.compedu.2005.06.002 297 16.50 12.03
4 CHITTARO L, 2015, IEEE TRANS VISUAL COMPUT GRAPHICS 10.1109/TVCG.2015.2391853 265 26.50 15.88
5 NADALIN F, 2012, BMC BIOINFORM 10.1186/1471-2105-13-S14-S8 250 19.23 13.66
6 CHITTARO L, 2006, COMPUTER 10.1109/MC.2006.109 250 13.16 7.68
7 PICIARELLI C, 2006, PATTERN RECOGN LETT 10.1016/j.patrec.2006.02.004 222 11.68 6.82
8 JENSEN CS, 1998, LECT NOTES COMPUT SCI 10.1007/bfb0053710 220 8.15 4.51
9 FRANCESCHET M, 2010, J INF 10.1016/j.joi.2010.06.003 185 12.33 6.44
10 FRANCESCHET M, 2010, SCIENTOMETRICS 10.1007/s11192-009-0021-2 177 11.80 6.16
Corresponding Author's Countries
Country Articles Freq SCP MCP MCP_Ratio
1 ITALY 652 0.88227 518 134 0.206
2 SWITZERLAND 12 0.01624 0 12 1.000
3 UNITED KINGDOM 11 0.01488 0 11 1.000
4 USA 9 0.01218 0 9 1.000
5 SPAIN 8 0.01083 0 8 1.000
6 DENMARK 7 0.00947 0 7 1.000
7 FRANCE 6 0.00812 0 6 1.000
8 MEXICO 5 0.00677 0 5 1.000
9 NETHERLANDS 5 0.00677 0 5 1.000
10 FINLAND 3 0.00406 0 3 1.000
SCP: Single Country Publications
MCP: Multiple Country Publications
Total Citations per Country
Country Total Citations Average Article Citations
1 ITALY 11155 17.11
2 DENMARK 227 32.43
3 USA 209 23.22
4 UNITED KINGDOM 200 18.18
5 SPAIN 123 15.38
6 FRANCE 94 15.67
7 MEXICO 81 16.20
8 NETHERLANDS 69 13.80
9 CYPRUS 65 32.50
10 SOUTH AFRICA 65 65.00
Most Relevant Sources
Sources
1 LECTURE NOTES IN COMPUTER SCIENCE (INCLUDING SUBSERIES LECTURE NOTES IN ARTIFICIAL INTELLIGENCE AND LECTURE NOTES IN BIOINFORMATICS)
2 CEUR WORKSHOP PROCEEDINGS
3 THEORETICAL COMPUTER SCIENCE
4 LEIBNIZ INTERNATIONAL PROCEEDINGS IN INFORMATICS LIPICS
5 ACM INTERNATIONAL CONFERENCE PROCEEDING SERIES
6 ELECTRONIC PROCEEDINGS IN THEORETICAL COMPUTER SCIENCE EPTCS
7 ELECTRONIC NOTES IN THEORETICAL COMPUTER SCIENCE
8 EURO ADVANCED TUTORIALS ON OPERATIONAL RESEARCH
9 INFORMATION AND COMPUTATION
10 INTERNATIONAL JOURNAL OF HUMAN COMPUTER STUDIES
Articles
1 249
2 118
3 33
4 29
5 26
6 25
7 24
8 16
9 15
10 15
Most Relevant Keywords
Author Keywords (DE) Articles Keywords-Plus (ID) Articles
1 EVALUATION 31 COMPUTER CIRCUITS 125
2 MODEL CHECKING 26 SEMANTICS 103
3 VIRTUAL REALITY 25 TEMPORAL LOGIC 100
4 MOBILE DEVICES 24 LOGIC PROGRAMMING 97
5 INTERVAL TEMPORAL LOGIC 22 ARTIFICIAL INTELLIGENCE 92
6 DEEP LEARNING 21 INFORMATION RETRIEVAL 72
7 CROWDSOURCING 19 AUTOMATA THEORY 68
8 COMPLEXITY 18 INTERVAL TEMPORAL LOGIC 68
9 MACHINE LEARNING 16 ALGORITHMS 64
10 BISIMULATION 15 COMPUTABILITY AND DECIDABILITY 61Autore più produttivo: Prof. Montanari con 200 articoli.
Anno più produttivo: 2023 con 87 pubblicazioni.
Anno con media citazioni in articoli più alta: 2018.
Anno con più citazioni: 1987.
Documenti per tipo
Tipo di pubblicazione più presente: conference paper, seguito da articoli e capitoli di libro.
Analisi dei riferimenti citati
E’ possibile analizzare la frequenza dei riferimenti/primi autori più citati nel dataset in analisi.
Papers citati più frequentemente:
[,1]
MOSZKOWSKI B., REASONING ABOUT DIGITAL CIRCUITS, (1983) 36
ALLEN J.F., MAINTAINING KNOWLEDGE ABOUT TEMPORAL INTERVALS, COMMUNICATIONS OF THE ACM, 26, 11, PP. 832-843, (1983) 32
BRESOLIN D., GORANKO V., MONTANARI A., SCIAVICCO G., PROPOSITIONAL INTERVAL NEIGHBORHOOD LOGICS: EXPRESSIVENESS, DECIDABILITY, AND UNDECIDABLE EXTENSIONS, ANNALS OF PURE AND APPLIED LOGIC, 161, 3, PP. 289-304, (2009) 25
VENEMA Y., A MODAL LOGIC FOR CHOPPING INTERVALS, JOURNAL OF LOGIC AND COMPUTATION, 1, 4, PP. 453-476, (1991) 25
HALPERN J., SHOHAM Y., A PROPOSITIONAL MODAL LOGIC OF TIME INTERVALS, JOURNAL OF THE ACM, 38, 4, PP. 935-962, (1991) 23
VENEMA Y., EXPRESSIVENESS AND COMPLETENESS OF AN INTERVAL TENSE LOGIC, NOTRE DAME JOURNAL OF FORMAL LOGIC, 31, 4, PP. 529-547, (1990) 23
HALPERN J.Y., SHOHAM Y., A PROPOSITIONAL MODAL LOGIC OF TIME INTERVALS, JOURNAL OF THE ACM, 38, 4, PP. 935-962, (1991) 21
HILLSTON J., A COMPOSITIONAL APPROACH TO PERFORMANCE MODELLING, (1996) 19
ALLEN J.F., MAINTAINING KNOWLEDGE ABOUT TEMPORAL INTERVALS, COMMUN. ACM, 26, 11, PP. 832-843, (1983) 17
BRESOLIN D., MONTANARI A., SCIAVICCO G., AN OPTIMAL DECISION PROCEDURE FOR RIGHT PROPOSITIONAL NEIGHBORHOOD LOGIC, JOURNAL OF AUTOMATED REASONING, 38, 1-3, PP. 173-199, (2007) 16Si noti che 2 articoli del Professor Montanari sono tra i più citati.
Primi autori citati più frequentemente:
[,1]
MONTANARI A 1120
ET AL 1063
SCIAVICCO G 449
DOVIER A 409
MIZZARO S 407
POLICRITI A 381
SALA P 380
CHITTARO L 365
PONTELLI E 348
BRESOLIN D 345
GORANKO V 292
MICULAN M 285
PIAZZA C 271E’ possibile notare che gli autori più frequentemente citati sono i Professori Montanari, Dovier, Mizzaro e Policriti.
H-index degli autori
L’h-index è una metrica a livello di autore che cerca di misurare sia la produttività che l’impatto citazionale delle pubblicazioni.
L’indice si basa sull’insieme degli articoli più citati dello scienziato e sul numero di citazioni ricevute in altre pubblicazioni. L’indice è strutturato per quantificare mediante un singolo indice numerico non solo la produzione, ma anche l’influenza di uno scienziato, distinguendolo da chi ha pubblicato molti articoli ma di scarso interesse.
Quindi, uno scienziato ha un indice n se almeno n lavori tra quelli che ha pubblicato sono stati citati almeno n volte ciascuno.
L’i10-index consiste nel numero di pubblicazioni di uno stesso autore con almeno 10 citazioni.
H-index dei primi 10 autori più produttivi (in questa raccolta):
Element h_index i10_index TC NP PY_start
1 CHITTARO L 39 93 4886 164 1991
2 MONTANARI A 23 63 2144 200 1993
3 MIZZARO S 20 40 1453 131 1997
4 POLICRITI A 19 43 1608 111 1990
5 DOVIER A 18 38 1212 119 1998
6 PICIARELLI C 17 25 961 59 2005
7 MICULAN M 16 26 709 84 1994
8 PIAZZA C 16 23 894 84 2000
9 FORESTI GL 15 23 874 59 2005
10 FONTANA F 9 8 262 57 2010Gli autori con l’H-index più alto sono i Prof. Chittaro (39), Prof. Montanari (23) e Prof. Mizzaro (20).
Matrici di rete bibliografica
Gli attributi dei paper sono collegati tra loro attraverso il paper stesso: autore/i alla rivista, parole chiave alla data di pubblicazione, ecc. Alcune delle analisi descrittive viste in precedenza si possono visualizzare attraverso reti bipartite.
Reti bipartite
Queste connessioni di diversi attributi generano reti bipartite che possono essere rappresentate come matrici rettangolari (Papers x Attributi).
Rete Paper x Fonte di pubblicazione:
L’oggetto è una matrice binaria rettangolare che rappresenta una rete bipartita in cui le righe e le colonne sono, in questo caso, rispettivamente papers e fonti.
L’elemento generico \(bip_{ij}\) è 1 se il paper \(i\) è stato pubblicato nella fonte \(j\), 0 altrimenti.
La somma della colonna \(j\)-esima \(bip_j\) rappresenta il numero di papers pubblicati nella fonte \(j\).
Fonti di pubblicazione più rilevanti:
LECTURE NOTES IN COMPUTER SCIENCE (INCLUDING SUBSERIES LECTURE NOTES IN ARTIFICIAL INTELLIGENCE AND LECTURE NOTES IN BIOINFORMATICS)
249
CEUR WORKSHOP PROCEEDINGS
118
THEORETICAL COMPUTER SCIENCE
33
LEIBNIZ INTERNATIONAL PROCEEDINGS IN INFORMATICS, LIPICS
29
ACM INTERNATIONAL CONFERENCE PROCEEDING SERIES
26 Rete degli autori: Paper x Autore, conta quanti articoli fatti da autori.
MONTANARI A CHITTARO L MIZZARO S DOVIER A POLICRITI A
200 164 131 119 111 Accoppiamento bibliografico - autori
Le pubblicazioni scientifiche contengono riferimenti ad altri lavori scientifici. Questo genera un’altra rete, quella delle reti di accoppiamento o co-citazioni.
Due autori sono accoppiati bibliograficamente se almeno una fonte citata compare nelle loro pubblicazioni.
Rete di accoppiamento: \[B = A\cdot A^T\] dove A è una rete bipartita (Papers x Citazioni). Due autori sono collegati da un arco nella rete se citano insieme uno o più documenti.
L’elemento \(b_{i,j}\) indica quanti accoppiamenti bibliografici esistono tra \(i\) e \(j\). La forza dell’accoppiamento di due autori, \(i\) e \(j\), è definita dal numero di riferimenti che gli autori hanno in comune.
L’accoppiamento bibliografico tra autori è una misura di quanto due autori condividono riferimenti comuni nelle loro pubblicazioni. In altre parole, quanti autori citano gli stessi lavori nelle loro ricerche.
(Per comodità nella computazione e visualizzazione, vengono utilizzati soltanto i 40 nodi con il grado più alto).
Analisi della rete - clusters
I nodi più centrali del primo cluster risultano essere il Professor Montanari ed il Professor Chittaro. Il primo ha i valori più alti nella centralità di grado, di autovettore e closeness, mentre il secondo nella centralità di betweenness e pagerank. 1.
Nel secondo cluster, invece, il nodo più centrale secondo tutte le metriche risulta essere il Professor Mizzaro.
vertex cluster degree_centrality btw_centrality clos_centrality eigen_centrality pagerank_centrality
1 montanari a 1 0.8205128 50.66624 0.02173913 1.0000000 0.04472932
2 chittaro l 1 0.7435897 102.69631 0.02040816 0.8674449 0.04536477
3 mizzaro s 2 0.5384615 24.79454 0.01754386 0.5714251 0.03199075Numero di nodi: 1027
Densità: 0.9491095, indica una rete densa, altamente collegata.
Transitività: 0.3441892, indica una rete poco clusterizzata.
Lunghezza media dei percorsi 2.8929558 e diametro 5: molto brevi, rete compatta e ben collegata.
Utilizzando la libreria poweRlaw (Gillespie 2015), è possibile controllare se la distribuzione dei gradi segue una distribuzione power-law.
I pallini indicano la distribuzione dei gradi mentre la linea rossa indica la power-law adattata ai dati.
Il p-value di 0.46 indica che i dati sono compatibili con la distribuzione power-law, con pochi nodi altamente connessi (hub) e molti nodi con poche connessioni.
Collaborazione autori
La rete di collaborazione scientifica è una rete in cui i nodi sono gli autori e i legami sono le coautorialità in articoli, in quanto quest’ultima è una delle forme più documentate di collaborazione scientifica (Glanzel, 2004).
Due autori sono collegati nella rete se hanno collaborato insieme in un articolo.
Una rete di collaborazione tra autori può essere ottenuta utilizzando la formulazione generale: \[AC=A^T \cdot A\] dove A è una rete bipartita Papers x Autori.
L’elemento diagonale \(ac_i\) è il numero di papers di cui il ricercatore \(i\) è autore o coautore.
(Per comodità nella computazione e visualizzazione, vengono utilizzati soltanto i 30 nodi con il grado più alto).
Analisi della rete
Sono presenti 4 clusters ed in ognuno di essi è presente almeno un nodo con dei valori alti di centralità, il che indica un ruolo di connessione e influenza all’interno del cluster.
cluster 1: Prof. Chittaro e Prof. Serra
cluster 2: Prof. Policriti e Prof. Dovier
cluster 3: Prof. Montanari
cluster 4: Prof. Mizzaro e Prof. Della Mea
vertex cluster degree_centrality btw_centrality clos_centrality eigen_centrality pagerank_centrality
1 chittaro l 1 0.2068966 104.09370 0.01724138 0.5445844 0.04010246
2 serra g 1 0.2758621 81.82570 0.01587302 0.6961796 0.04862541
3 dovier a 2 0.1724138 12.95908 0.01298701 0.5048830 0.03419016
4 policriti a 2 0.3103448 63.05026 0.01408451 0.7569098 0.06050805
5 montanari a 3 0.3793103 149.73739 0.01785714 1.0000000 0.06829667
6 mizzaro s 4 0.2758621 26.05287 0.01315789 0.6376023 0.04851419
7 della mea v 4 0.1724138 6.20936 0.01176471 0.3820190 0.03215018Numero di nodi: 1027
Densità: 0.0235566, indica una rete molto sparsa, poco collegata.
Transitività: 0.5462783, indica una rete moderatamente clusterizzata.
Lunghezza media dei percorsi 3.7641742 e diametro 7: brevi, rete compatta e collegata.
Anche per questa rete viene utilizzata la libreria poweRlaw per controllare se la distribuzione dei gradi segue una distribuzione power-law.
I pallini indicano la distribuzione dei gradi mentre la linea rossa indica la power-law adattata ai dati.
Il p-value di 0.06 indica che i dati sono compatibili con la distribuzione power-law, con pochi nodi altamente connessi (hub) e molti nodi con poche connessioni.
Power measure
Author PowerPercentage
6 MICULAN M 13.824084
5 POLICRITI A 9.242846
4 DOVIER A 6.816099
2 CHITTARO L 6.669387
1 MONTANARI A 6.471173
3 MIZZARO S 5.859651
19 BRAJNIK G 3.817711
60 PERESSOTTI M 3.615529
7 PIAZZA C 3.580627
12 LANCIA G 2.596333
22 FRANCESCHET M 2.564615
27 MIROLO C 2.314060
21 RANON R 2.263985
58 D'AGOSTINO G 1.965212
70 ROMANELLO R 1.789940Analizzando la misura di potenza, la quale afferma che un nodo è potente se è connesso a nodi non potenti, si ricava che i nodi più potenti all’interno della rete delle collaborazioni sono il Prof. Miculan (13.8% del potere totale) e il Prof. Policriti (9.2% del potere totale).
Analisi parole chiave
Rete parole chiave
Rete Bipartita: Papers x Keyword Scopus
Ogni paper ha associate delle parole chiave dal database di Scopus.
Word cloud
Dai dati della rete bipartita è possibile creare un dataframe con le frequenze delle parole, da cui si può ricavare una word cloud.
Le tre parole più presenti sono Computer Circuits (125), Semantics (101) e Temporal Logic (99).
Rete co-occorrenze parole chiave
(Per comodità nella computazione e visualizzazione, vengono utilizzati soltanto i 45 nodi con il grado più alto).
Ci sono 4 cluster di parole chiave:
nel primo cluster, la parola “mobile devices” ha centralità di grado, betweenness e closeness più alte mentre “information retrieval” ha i valori più alti nelle centralità di autovettore e pagerank.
nel secondo, le parole con le varie misure di centralità più alte sono: “artificial intelligence” per la centralità di grado più alta, “database systems” per quella di betweenness, “computational linguistics” per quella di closeness e “computer circuits” per quelle di autovettore e pagerank.
nel terzo, “algorithms” è la parola con centralità di grado, autovettore e pagerank più alto; “bioinformatics” ha la centralità di betweenness più alta e “computer simulation” la centralità di closeness.
nel quarto, la parola “human” ha i valori più alti in tutte le misure di centralità.
vertex cluster degree_centrality btw_centrality clos_centrality eigen_centrality
1 information retrieval 1 0.5454545 22.480131 0.01190476 0.05645923
2 mobile devices 1 0.5454545 79.568142 0.01408451 0.03100927
3 computer circuits 2 0.5227273 2.518658 0.01041667 1.00000000
4 artificial intelligence 2 0.8863636 17.083121 0.01176471 0.39692293
5 database systems 2 0.5909091 62.434647 0.01282051 0.09603311
6 computational linguistics 2 0.5681818 45.572387 0.01333333 0.10426122
7 algorithms 3 0.8181818 22.039369 0.01265823 0.20966749
8 computer simulation 3 0.7272727 50.912948 0.01333333 0.11655939
9 bioinformatics 3 0.5227273 51.068628 0.01282051 0.08991068
10 human 4 0.4318182 3.705549 0.01123596 0.03075350
pagerank_centrality
1 0.02275138
2 0.01933765
3 0.05455215
4 0.03571810
5 0.01448729
6 0.01264181
7 0.03448162
8 0.02182851
9 0.01255215
10 0.03097107Numero di nodi: 6360
Densità: 0.0055696, indica una rete molto sparsa, poco collegata.
Transitività: 0.2283555, indica una rete poco clusterizzata.
Lunghezza media dei percorsi 2.9679872 e diametro 5: molto breve, rete compatta e ben collegata.
Anche per questa rete è stata utilizzata la libreria poweRlaw per controllare se la distribuzione dei gradi segue una distribuzione power-law.
I pallini indicano la distribuzione dei gradi mentre la linea rossa indica la power-law adattata ai dati.
Il p-value di 0.53 indica che i dati sono compatibili con la distribuzione power-law, con pochi nodi altamente connessi (hub) e molti nodi con poche connessioni.
Mappa tematica
L’analisi di co-occorrenza delle parole chiave genera cluster tematici, la cui densità e centralità permettono di classificarli e mapparli in un diagramma bidimensionale, creando una mappa tematica.
Essa consente di analizzare i temi in base al quadrante in cui sono collocati:
quadrante in alto a sinistra: temi molto specializzati/di nicchia (cluster molto denso e poco centrale);
quadrante in alto a destra: temi motori (cluster molto denso e molto centrale);
quadrante in basso a sinistra: temi emergenti o in via di estinzione (cluster poco denso e poco centrale);
quadrante in basso a destra: temi di base (cluster poco denso ma molto centrale).
Ad esempio, il cluster in cui spicca la parola “algorithms” è nel quadrante dei temi di base, mentre “crowdsourcing” si trova nel quadrante dei temi emergenti o in declino. Il cluster con “finite element method” si trova nel quadrante dei temi di nicchia.
Conclusione
L’analisi della produzione scientifica ha evidenziato diversi aspetti importanti, soprattutto attraverso l’analisi delle varie reti.
La rete di accoppiamento bibliografico tra autori ha mostrato come gli autori del dipartimento siano collegati tra loro attraverso le citazioni comuni in una struttura altamente connessa e compatta.
La rete di collaborazione tra autori ha rivelato la presenza di quattro cluster di collaborazione, con figure chiave che collegano e influenzano ciascun gruppo. Nonostante la bassa densità della rete, indicativa di poche collaborazioni, i gruppi sono relativamente uniti.
La rete di co-occorrenza delle parole chiave ha messo in luce le principali aree di ricerca del dipartimento e le connessioni tematiche tra di esse, formando quattro cluster principali. Le connessioni sono poche ma importanti, con parole chiave centrali che dominano all’interno dei loro cluster.
Inoltre, tutte le reti analizzate hanno la proprietà di piccolo mondo, con dei valori bassi di diametro e lunghezza media dei cammini e le tre distribuzioni di grado analizzate sono compatibili con una distribuzione dei gradi power-law.
In conclusione, si può affermare che all’interno del dipartimento operano gruppi di ricerca che si distinguono per una notevole produttività scientifica, la quale si traduce in un significativo apporto alla letteratura di settore. Pur focalizzandosi su ambiti di ricerca differenti, i gruppi collaborano attivamente tra loro, favorendo lo scambio di conoscenze e competenze.
Tutte le nozioni viste a lezione sono utilizzate ma non ri-definite.↩︎